1.基于正余弦算法优化卷积神经网络的机床轴承状态识别方法，其特征在于，包括以下步骤：步骤一，对轴承各个状态的振动信号进行归一化处理和打标签处理；

步骤二，构建卷积神经网络模型；

步骤三，使用正余弦算法优化卷积神经网络模型参数；

其中，正余弦算法的过程如下：

第一步，初始化算法参数，包括初始化种群规模N，控制参数a，最大迭代次数T等；

第二步，在解的空间中随机初始化N个个体

组成初始群体；

第三步，计算每个个体的适应度值，并记录最优个体位置，更新迭代方程来施加扰动并更新解集；

第四步，判断是否达到终止条件，终止条件为达到最大迭代次数或者达到满意解，若不满足终止条件，则返回第三步，若满足终止条件，则结束迭代，输出最优参数；

具体的迭代方程分为以下正弦迭代或余弦迭代方程：其中， 是第t+1次迭代时当前解在第i维中的位置， 是第t次迭代时当前解在第i维中的位置；r1是控制搜索方向的参数，r2是控制搜索距离的参数，r3是正弦余弦切换操作的参数，r4是判别系数；Pi是目标点在第i维中的位置；

其中maxt为最大迭代次数，t为迭代次数，a为常数值，r2＝rand(0，2π)，r3＝rand(0，1)；

步骤四，对优化后的卷积神经网络模型进行测试和训练后，再对轴承的状态进行分类识别。

2.根据权利要求1所述的基于正余弦算法优化卷积神经网络的机床轴承状态识别方法，其特征在于，步骤一中，对振动信号进行归一化处理，使振幅都归一化为[0，1]，归一化处理公式为：其中，Pmax表示样本数据的最大值；Pmin表示样本数据的最小值。

3.根据权利要求1所述的基于正余弦算法优化卷积神经网络的机床轴承状态识别方法，其特征在于，步骤一中，对振动信号进行打标签处理是对轴承不同的损伤类型进行分类。

4.根据权利要求1所述的基于正余弦算法优化卷积神经网络的机床轴承状态识别方法，其特征在于，步骤二中，采用dropout方法构建神经网络模型。

5.根据权利要求1所述的基于正余弦算法优化卷积神经网络的机床轴承状态识别方法，其特征在于，步骤二中，采用ReLU函数作为卷积神经网络的激活函数，当ReLU函数的输入值大于0时导数值始终为1；当ReLU函数的输入值小于0时导数值始终为0。